Извлечь текст из области страницы в файле PDF

Введение

Работа с PDF-файлами часто требует извлечения определенного контента, будь то извлечение данных из форм, таблиц или определенных разделов документа. В этом руководстве мы рассмотрим, как извлечь текст из определенной области PDF-файла с помощью Aspose.PDF для .NET. Вместо того чтобы просеивать весь документ, мы точно определим, где находится текст, и эффективно извлечем его.

Предпосылки

Прежде чем приступить к коду, убедитесь, что у вас выполнены следующие условия:

  1. Aspose.PDF для .NET: если вы еще этого не сделали, загрузите и установите библиотеку Aspose.PDF для .NET.Загрузить Aspose.PDF для .NET.
  2. IDE: Любая среда разработки .NET, например Visual Studio.
  3. .NET Framework: убедитесь, что ваш проект настроен на использование соответствующей платформы .NET Framework.
  4. PDF-документ: пример PDF-файла, из которого мы извлечем текст.

Не забывайте, что вы можетеполучить бесплатную пробную версию Aspose.PDF или используйтевременная лицензия для полной функциональности.

Импорт необходимых пакетов

Чтобы начать работать с Aspose.PDF для .NET, вам нужно импортировать требуемые пространства имен в ваш проект. Эти пакеты предоставляют необходимые классы и методы для обработки PDF-документов.

using System.IO;
using Aspose.Pdf;
using Aspose.Pdf.Text;
using System;

Шаг 1: Настройка каталога документов и загрузка PDF-файла

Первый шаг — указать, где находится ваш PDF-файл, и загрузить его в ваш проект. Вы можете использовать локальный путь к каталогу PDF-файла, с которым вы хотите работать.

// Путь к каталогу документов.
string dataDir = "YOUR DOCUMENT DIRECTORY";

// Откройте PDF-документ
Document pdfDocument = new Document(dataDir + "ExtractTextAll.pdf");

Этот шаг гарантирует, что файл PDF будет правильно загружен и готов к работе.Document класс из библиотеки Aspose.PDF позволяет манипулировать PDF-файлом.

Шаг 2: Инициализация Text Absorber для извлечения

На этом этапе мы создаемTextAbsorber объект, который предназначен для извлечения текста из PDF-документа.TextAbsorber является гибким и может быть настроен для работы с определенными регионами или страницами.

// Создайте объект TextAbsorber для извлечения текста.
TextAbsorber absorber = new TextAbsorber();

TheTextAbsorberкласс — это мощный инструмент, который захватывает весь текст в указанных вами границах.

Шаг 3: Определите область, из которой необходимо извлечь текст

Вот где происходит магия. Вместо того, чтобы вытаскивать текст со всей страницы, мы можем ограничить извлечение определенной прямоугольной областью страницы. Это идеально, когда вы точно знаете, где находится ваш контент.

// Ограничить извлечение текста определенной областью
absorber.TextSearchOptions.LimitToPageBounds = true;
absorber.TextSearchOptions.Rectangle = new Aspose.Pdf.Rectangle(100, 200, 250, 350);

TheRectangle Объект позволяет определить координаты (в точках) области, из которой будет извлечен текст.TextSearchOptions.LimitToPageBounds гарантирует, что будет извлечен только текст внутри указанного прямоугольника.

Шаг 4: Примите Поглотитель на желаемой странице

После настройки региона следующим шагом будет принятиеTextAbsorber для конкретной страницы, из которой вы хотите извлечь текст. Здесь мы сосредоточимся на первой странице PDF.

// Принять поглотитель для первой страницы
pdfDocument.Pages[1].Accept(absorber);

Позвонив по номеруAccept Метод на странице, мы указываем Aspose.PDF запустить поглотитель и собрать текст из определенной области.

Шаг 5: Извлечение и сохранение извлеченного текста.

После того, как поглотитель выполнил свою работу, пришло время собрать извлеченный текст и сохранить его. Этот шаг включает в себя извлечение текста и запись его в.txt файл.

// Получить извлеченный текст
string extractedText = absorber.Text;

// Создайте редактор для сохранения извлеченного текста.
TextWriter tw = new StreamWriter(dataDir + "extracted-text.txt");

// Запишите текст в файл.
tw.WriteLine(extractedText);

// Закрыть поток
tw.Close();

Здесь,TextWriter класс используется для записи извлеченного текста в текстовый файл. Это гарантирует, что извлеченный контент будет безопасно сохранен для дальнейшего использования.

Заключение

Извлечение текста из определенной области в документе PDF может быть невероятно полезным, особенно при работе со структурированным содержимым, таким как формы или таблицы. Используя Aspose.PDF для .NET, вы можете выполнить эту задачу всего несколькими строками кода. Определив область, инициализируяTextAbsorberи сохраняя извлеченный текст, вы получаете полный контроль над тем, что извлекается из вашего PDF-файла.

Независимо от того, работаете ли вы над небольшим проектом или управляете большими документами, этот метод обеспечивает эффективный способ извлечения важных данных из ваших PDF-файлов без необходимости просматривать весь документ.

Часто задаваемые вопросы

Можно ли извлечь текст с нескольких страниц одновременно?

Да, путем итерации черезPages коллекцияpdfDocument , вы можете применитьTextAbsorber на несколько страниц.

Что делать, если текст находится в другой области PDF-файла?

Вы можете легко настроитьRectangle координаты, соответствующие региону, где расположен ваш текст.

Работает ли это с отсканированными PDF-файлами?

Нет, для преобразования изображений в текст отсканированным PDF-файлам требуется OCR (оптическое распознавание символов). Aspose.PDF также предлагает функции OCR.

Есть ли способ извлечь текст на основе определенных ключевых слов?

Да, вы можете использоватьTextFragmentAbsorber для извлечения текста на основе ключевых слов.

Как извлечь текст из зашифрованного PDF-файла?

Сначала вам нужно будет расшифровать PDF-файл, указав правильный пароль, а затем приступить к извлечению текста.

Извлечь весь текст в файл PDF Извлечь текстовую страницу из файла PDF